CN105787482A - 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 - Google Patents
一种基于深度卷积神经网络的特定目标轮廓图像分割方法 Download PDFInfo
- Publication number
- CN105787482A CN105787482A CN201610109536.6A CN201610109536A CN105787482A CN 105787482 A CN105787482 A CN 105787482A CN 201610109536 A CN201610109536 A CN 201610109536A CN 105787482 A CN105787482 A CN 105787482A
- Authority
- CN
- China
- Prior art keywords
- image
- specific objective
- specific target
- training
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别技术领域,尤其涉及一种基于深度卷积神经网络的特定目标轮廓图像分割方法,包括:将用于训练的图像归一化到相同像素大小,对应的特定目标轮廓标注图像也归一化,送入卷积神经网络,经过数层卷积层与全连接层,在全连接层的最后一层得到图像表达,并与对应的标注图像比较得到预测误差;采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络,得到特定目标轮廓图像分割的训练模型;将测试特定目标图像归一化到与训练图像相同的像素大小后送入训练模型,在全连接层的最后一层得到预测的图像表达从而得到整张特定目标轮廓图像分割,有效解决了复杂背景下的特定目标轮廓分割问题,可用于车型识别,车流量统计,车辆检测。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种基于深度卷积神经网络的特定目标轮廓图像分割方法。
背景技术
当前在特定目标轮廓图像识别领域,对于高精度高速度的特定目标轮廓分割具有很大需求。在特定目标轮廓分割方法中,传统方法大多基于聚类算法,计算复杂度较高,且精度较低,其他基于局部特征分析的方法也很难达到实际应用的准确率;另外的形态学算法容易受到背景的影响。
深度学习技术在语音识别、图像分类与检测等领域都取得了非常好的结果,尤其是深度卷积神经网络具有极强的自主学习能力和高度的非线性映射,这为设计复杂的高精度高速度且具有一定鲁棒性的分割模型提供了可能性。基于深度学习的特定目标轮廓分割方法可以极大提高精确度,同时可以保证快速的分割速度。
发明内容
针对现有技术在处理特定目标轮廓图像分割时遇到的困难,本发明提出了一种基于深度卷积神经网络的特定目标轮廓图像分割方法,包括:
步骤S11、将用于训练的图像归一化到相同像素大小,对应的特定目标轮廓标注图像也归一化到相同像素大小,从而得到用于训练的图像与标注图像的成对的样本;
步骤S12,将步骤1归一化得到的训练的图像送入一个卷积神经网络,经过数层卷积层与全连接层,在全连接层的最后一层得到图像表达,并与对应的标注图像进行比较得到预测误差;
步骤S13,采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络,得到特定目标轮廓图像分割的训练模型;
步骤S21,将测试特定目标图像归一化到与训练图像相同的像素大小;
步骤S22,将测试特定目标图像送入特定目标轮廓图像分割的训练模型,在全连接层的最后一层得到预测的图像表达;该图像表达每一个点的响应值表示该点属于特定目标轮廓区域内的概率,如果该响应值大于阈值,则判定该像素点属于特定目标轮廓内区域,反之则判定该像素点属于特定目标轮廓外区域;这样就可以得到整张图像的特定目标轮廓的图像分割。
本发明的有益效果在于:采用深度卷积神经网络训练全图特定目标轮廓分割模型,进行快速准确的特定目标轮廓分割图像分割;以成对的原始图像与特定目标而轮廓标注图像训练深度卷积神经网络以得到最终分割预测的图像表达,并通过对表达进行阈值处理,得到最终特定目标轮廓分割结果。
本发明利用深度学习的多层卷积神经网络所具有的较强学习能力,通过多层卷积神经网络及多层全连接层,回归到图像的分割结果,每次可直接预测整张图像的分割结果。利用大量标注的特定目标轮廓图像及对应的分割标注,可以训练出具有高速度和高精度的特定目标轮廓分割模型,该方法有效的解决了复杂背景下的特定目标轮廓分割问题,可以被广泛应用于汽车轮廓分割应用场景,如:车型识别,车流量统计,车辆检测。
附图说明
图1为本发明的方法流程框架示意图。
具体实施方式
下面结合附图,对实施例作详细说明。
本发明的目的是针对现有技术在处理特定目标轮廓图像分割时遇到的困难,提出一种高精度高速度的特定目标轮廓图像分割方法,利用标注好的特定目标轮廓分割数据,通过一个复杂的高度非线性的深度卷积网络模型,实现特定目标轮廓分割结果的预测。为实现上述目的,提供一种基于深度卷积神经网络的特定目标轮廓图像分割方法,每次输入整张图像,通过深度卷积神经网络训练分割模型,从而实现特定目标轮廓的分割。
一种基于深度卷积神经网络的特定目标轮廓图像分割方法采用深度学习技术来训练整张特定目标轮廓图像分割模型,在特定目标轮廓图像分割的任务上取得了非常高的精度和速度。以某大型汽车轮廓图像分割数据库为例,包含5000张图像及对应的汽车轮廓分割标注。
图1为本发明汽车轮廓分割方法的流程图,如图所示,本发明具体包括如下步骤:
步骤S11,将汽车轮廓分割数据库中用于训练的5000张图像归一化到相同像素大小(48×48像素),对应的汽车轮廓分割标注图像也进行对应的操作,归一化至48×48像素大小,这样就得到了用于训练的图像与标注的成对的样本,共5000对;
步骤S12,将处理后的图像依次送入一个卷积神经网络,经过数层卷积层与全连接层,在全连接层的最后一层得到图像表达,并与对应的标注图像进行比较得到预测误差。例如,一个典型的卷积神经网络的参数配置为:第一层有64个5×5的卷积子,步长为1,带有3×3且步长为2的空间局基层;第二层有64个5×5的卷积子,步长为1,带有3×3且步长为2的空间局基层;第三层有64个3×3的卷积子,步长为1;第四层为含有100个节点的全连接层;第五层为含有400个节点的全连接层;第六层为全连接层即图像表达层,包含分割预测图像对应的节点数(大小为48×48)。
步骤S13,采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络,直到误差不再下降即可得到汽车轮廓图像分割的训练模型;
步骤S21,对测试汽车图像,首先归一化到与训练图像相同的像素大小(48×48像素);
步骤S22,将该汽车图像送入训练好的汽车轮廓图像分割模型,在全连接层的最后一层得到预测的48×48大小的图像表达。该图像表达每一个点的响应值表示该点属于人形区域内的概率,如果该响应值大于阈值0.5,则判定该像素点属于汽车轮廓区域内,反之则判定该像素点属于汽车轮廓区域外;这样就可以依次得到整张图像48×48个像素点的判别,即可得到最终汽车轮廓分割结果。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种基于深度卷积神经网络的特定目标轮廓图像分割方法,其特征在于,包括:
步骤S11、将用于训练的图像归一化到相同像素大小,对应的特定目标轮廓标注图像也归一化到相同像素大小,从而得到用于训练的图像与标注图像的成对的样本;
步骤S12,将步骤1归一化得到的训练的图像送入一个卷积神经网络,经过数层卷积层与全连接层,在全连接层的最后一层得到图像表达,并与对应的标注图像进行比较得到预测误差;
步骤S13,采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络,得到特定目标轮廓图像分割的训练模型;
步骤S21,将测试特定目标图像归一化到与训练图像相同的像素大小;
步骤S22,将测试特定目标图像送入特定目标轮廓图像分割的训练模型,在全连接层的最后一层得到预测的图像表达;该图像表达每一个点的响应值表示该点属于特定目标轮廓区域内的概率,如果该响应值大于阈值,则判定该像素点属于特定目标轮廓内区域,反之则判定该像素点属于特定目标轮廓外区域;这样就可以得到整张图像的特定目标轮廓的图像分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109536.6A CN105787482A (zh) | 2016-02-26 | 2016-02-26 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109536.6A CN105787482A (zh) | 2016-02-26 | 2016-02-26 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105787482A true CN105787482A (zh) | 2016-07-20 |
Family
ID=56402986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610109536.6A Pending CN105787482A (zh) | 2016-02-26 | 2016-02-26 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787482A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780512A (zh) * | 2016-11-30 | 2017-05-31 | 厦门美图之家科技有限公司 | 分割图像的方法、应用及计算设备 |
CN107194938A (zh) * | 2017-04-17 | 2017-09-22 | 上海大学 | 基于深度卷积神经网络的图像轮廓检测方法 |
CN107203999A (zh) * | 2017-04-28 | 2017-09-26 | 北京航空航天大学 | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 |
CN107220990A (zh) * | 2017-06-22 | 2017-09-29 | 成都品果科技有限公司 | 一种基于深度学习的头发分割方法 |
CN107480726A (zh) * | 2017-08-25 | 2017-12-15 | 电子科技大学 | 一种基于全卷积和长短期记忆单元的场景语义分割方法 |
CN107679110A (zh) * | 2017-09-15 | 2018-02-09 | 广州唯品会研究院有限公司 | 结合文本分类与图片属性提取完善知识图谱的方法及装置 |
CN108229479A (zh) * | 2017-08-01 | 2018-06-29 | 北京市商汤科技开发有限公司 | 语义分割模型的训练方法和装置、电子设备、存储介质 |
CN109086780A (zh) * | 2018-08-10 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测电极片毛刺的方法和装置 |
CN109241865A (zh) * | 2018-08-14 | 2019-01-18 | 长安大学 | 一种弱对比度交通场景下的车辆检测分割算法 |
CN109313710A (zh) * | 2018-02-02 | 2019-02-05 | 深圳蓝胖子机器人有限公司 | 目标识别模型训练方法、目标识别方法、设备及机器人 |
CN109740442A (zh) * | 2018-12-12 | 2019-05-10 | 北京字节跳动网络技术有限公司 | 定位方法、装置、存储介质及电子设备 |
CN109993031A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种畜力车目标违章行驶行为检测方法、装置及相机 |
CN110036409A (zh) * | 2016-12-15 | 2019-07-19 | 通用电气公司 | 使用联合深度学习模型进行图像分割的系统和方法 |
WO2020034672A1 (zh) * | 2018-08-16 | 2020-02-20 | 北京七鑫易维信息技术有限公司 | 一种确定图像中用户的感兴趣区域的方法及装置 |
CN110827247A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种识别标签的方法及设备 |
CN111325210A (zh) * | 2018-12-14 | 2020-06-23 | 北京京东尚科信息技术有限公司 | 用于输出信息的方法和装置 |
CN111369795A (zh) * | 2020-03-09 | 2020-07-03 | 深圳大学 | 一种车流量统计方法、装置、设备及存储介质 |
CN111652245A (zh) * | 2020-04-28 | 2020-09-11 | 中国平安财产保险股份有限公司 | 车辆轮廓检测方法、装置、计算机设备及存储介质 |
CN111783783A (zh) * | 2020-06-18 | 2020-10-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种用于图像分割的标注系统及标注方法 |
CN113379774A (zh) * | 2021-06-30 | 2021-09-10 | 哈尔滨理工大学 | 一种基于Unet神经网络的动物轮廓分割方法、系统、设备及存储介质 |
CN113837236A (zh) * | 2021-08-31 | 2021-12-24 | 广东智媒云图科技股份有限公司 | 图像中目标对象的识别方法、装置、终端设备及存储介质 |
US11430205B2 (en) | 2017-06-23 | 2022-08-30 | Huawei Technologies Co., Ltd. | Method and apparatus for detecting salient object in image |
US11587304B2 (en) * | 2017-03-10 | 2023-02-21 | Tusimple, Inc. | System and method for occluding contour detection |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104067314A (zh) * | 2014-05-23 | 2014-09-24 | 中国科学院自动化研究所 | 人形图像分割方法 |
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN104462778A (zh) * | 2014-11-06 | 2015-03-25 | 华北电力大学 | 一种基于深度学习的pm2.5污染物测量方法 |
-
2016
- 2016-02-26 CN CN201610109536.6A patent/CN105787482A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN104067314A (zh) * | 2014-05-23 | 2014-09-24 | 中国科学院自动化研究所 | 人形图像分割方法 |
CN104462778A (zh) * | 2014-11-06 | 2015-03-25 | 华北电力大学 | 一种基于深度学习的pm2.5污染物测量方法 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780512A (zh) * | 2016-11-30 | 2017-05-31 | 厦门美图之家科技有限公司 | 分割图像的方法、应用及计算设备 |
CN106780512B (zh) * | 2016-11-30 | 2020-01-17 | 厦门美图之家科技有限公司 | 分割图像的方法、应用及计算设备 |
CN110036409A (zh) * | 2016-12-15 | 2019-07-19 | 通用电气公司 | 使用联合深度学习模型进行图像分割的系统和方法 |
US11587304B2 (en) * | 2017-03-10 | 2023-02-21 | Tusimple, Inc. | System and method for occluding contour detection |
CN107194938A (zh) * | 2017-04-17 | 2017-09-22 | 上海大学 | 基于深度卷积神经网络的图像轮廓检测方法 |
CN107203999A (zh) * | 2017-04-28 | 2017-09-26 | 北京航空航天大学 | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 |
CN107203999B (zh) * | 2017-04-28 | 2020-01-24 | 北京航空航天大学 | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 |
CN107220990A (zh) * | 2017-06-22 | 2017-09-29 | 成都品果科技有限公司 | 一种基于深度学习的头发分割方法 |
US11430205B2 (en) | 2017-06-23 | 2022-08-30 | Huawei Technologies Co., Ltd. | Method and apparatus for detecting salient object in image |
CN108229479A (zh) * | 2017-08-01 | 2018-06-29 | 北京市商汤科技开发有限公司 | 语义分割模型的训练方法和装置、电子设备、存储介质 |
US11301719B2 (en) | 2017-08-01 | 2022-04-12 | Beijing Sensetime Technology Development Co., Ltd. | Semantic segmentation model training methods and apparatuses, electronic devices, and storage media |
WO2019024808A1 (zh) * | 2017-08-01 | 2019-02-07 | 北京市商汤科技开发有限公司 | 语义分割模型的训练方法和装置、电子设备、存储介质 |
CN108229479B (zh) * | 2017-08-01 | 2019-12-31 | 北京市商汤科技开发有限公司 | 语义分割模型的训练方法和装置、电子设备、存储介质 |
CN107480726A (zh) * | 2017-08-25 | 2017-12-15 | 电子科技大学 | 一种基于全卷积和长短期记忆单元的场景语义分割方法 |
CN107679110A (zh) * | 2017-09-15 | 2018-02-09 | 广州唯品会研究院有限公司 | 结合文本分类与图片属性提取完善知识图谱的方法及装置 |
CN109993031A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种畜力车目标违章行驶行为检测方法、装置及相机 |
CN109993031B (zh) * | 2017-12-29 | 2021-07-20 | 杭州海康威视数字技术股份有限公司 | 一种畜力车目标违章行驶行为检测方法、装置及相机 |
CN109313710A (zh) * | 2018-02-02 | 2019-02-05 | 深圳蓝胖子机器人有限公司 | 目标识别模型训练方法、目标识别方法、设备及机器人 |
CN109086780A (zh) * | 2018-08-10 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测电极片毛刺的方法和装置 |
CN109086780B (zh) * | 2018-08-10 | 2020-08-04 | 北京百度网讯科技有限公司 | 用于检测电极片毛刺的方法和装置 |
CN109241865A (zh) * | 2018-08-14 | 2019-01-18 | 长安大学 | 一种弱对比度交通场景下的车辆检测分割算法 |
CN109241865B (zh) * | 2018-08-14 | 2022-05-31 | 长安大学 | 一种弱对比度交通场景下的车辆检测分割算法 |
WO2020034672A1 (zh) * | 2018-08-16 | 2020-02-20 | 北京七鑫易维信息技术有限公司 | 一种确定图像中用户的感兴趣区域的方法及装置 |
CN109740442A (zh) * | 2018-12-12 | 2019-05-10 | 北京字节跳动网络技术有限公司 | 定位方法、装置、存储介质及电子设备 |
CN109740442B (zh) * | 2018-12-12 | 2021-05-07 | 北京字节跳动网络技术有限公司 | 定位方法、装置、存储介质及电子设备 |
CN111325210A (zh) * | 2018-12-14 | 2020-06-23 | 北京京东尚科信息技术有限公司 | 用于输出信息的方法和装置 |
CN111325210B (zh) * | 2018-12-14 | 2024-06-18 | 北京京东尚科信息技术有限公司 | 用于输出信息的方法和装置 |
CN110827247A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种识别标签的方法及设备 |
CN110827247B (zh) * | 2019-10-28 | 2024-03-15 | 上海万物新生环保科技集团有限公司 | 一种识别标签的方法及设备 |
CN111369795B (zh) * | 2020-03-09 | 2022-11-08 | 深圳大学 | 一种车流量统计方法、装置、设备及存储介质 |
CN111369795A (zh) * | 2020-03-09 | 2020-07-03 | 深圳大学 | 一种车流量统计方法、装置、设备及存储介质 |
CN111652245A (zh) * | 2020-04-28 | 2020-09-11 | 中国平安财产保险股份有限公司 | 车辆轮廓检测方法、装置、计算机设备及存储介质 |
CN111652245B (zh) * | 2020-04-28 | 2024-04-30 | 中国平安财产保险股份有限公司 | 车辆轮廓检测方法、装置、计算机设备及存储介质 |
CN111783783A (zh) * | 2020-06-18 | 2020-10-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种用于图像分割的标注系统及标注方法 |
CN113379774A (zh) * | 2021-06-30 | 2021-09-10 | 哈尔滨理工大学 | 一种基于Unet神经网络的动物轮廓分割方法、系统、设备及存储介质 |
CN113837236A (zh) * | 2021-08-31 | 2021-12-24 | 广东智媒云图科技股份有限公司 | 图像中目标对象的识别方法、装置、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787482A (zh) | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN109325418A (zh) | 基于改进YOLOv3的道路交通环境下行人识别方法 | |
CN106228125B (zh) | 基于集成学习级联分类器的车道线检测方法 | |
US10096121B2 (en) | Human-shape image segmentation method | |
CN107545263B (zh) | 一种物体检测方法及装置 | |
CN105760835A (zh) | 一种基于深度学习的步态分割与步态识别一体化方法 | |
CN108171112A (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
CN106778835A (zh) | 融合场景信息和深度特征的遥感图像机场目标识别方法 | |
CN113139470B (zh) | 一种基于Transformer的玻璃识别方法 | |
CN112633149B (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
CN104268538A (zh) | 一种易拉罐点阵喷码字符在线视觉检测方法 | |
CN111950488B (zh) | 一种改进的Faster-RCNN遥感图像目标检测方法 | |
CN110991444B (zh) | 面向复杂场景的车牌识别方法及装置 | |
CN110232379A (zh) | 一种车辆姿态检测方法及系统 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN104537647A (zh) | 一种目标检测方法及装置 | |
CN102867195B (zh) | 一种遥感图像多类目标检测和识别方法 | |
CN107301376B (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN107563274A (zh) | 一种基于对抗网络学习的视频的车辆检测方法和计数方法 | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN109101932A (zh) | 基于目标检测的多任务及临近信息融合的深度学习算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160720 |